IoT technology for e-commerce customer information segmentation

在繁忙的在线购物世界中，商家面临着一个与商业本身一样古老的挑战：如何在不失去理智的前提下，将每一位顾客都视为独立的个体。在过去，店主能通过姓名和面孔认出熟客。而今天，一家数字商店可能会服务数百万人，其中大多数人仅仅是一个用户名和一个收货地址的距离。为了生存，这些企业必须将客户进行分类，了解谁带来了最多的利润，以及谁需要额外的关注。这就是客户细分（customer segmentation）的艺术。传统上，企业通过三个简单的维度来判断购物者的价值：他们最近一次购买的时间、购买的频率以及消费金额。这三项事实构成了客户习惯的基本图谱。然而，仅仅将这些数字相加往往会忽略真实行为中的细微差别。一位消费金额大但很少访问的顾客，可能与一位每天访问但消费很少的顾客完全不同。问题依然存在：我们该如何公平地衡量这些因素，以看清一名购物者的真实价值？

河南理工学院的一位研究人员致力于通过改进在线商家分析数据的方式来回答这个问题。研究人员并没有去猜测这三个因素——近期性（recency）、频率（frequency）或消费额（spending）——中哪一个最重要，而是使用了一种被称为熵权法（entropy weight method）的数学方法，让数据自己说话。这种技术根据数据的变异程度来计算每个因素的重要性，确保最终得分反映的是销售记录中的实际模式，而非预设的观点。该研究聚焦于一家在拼多多平台上销售饼干和蛋糕的特定商家，检查了从2019年8月到2020年1月期间的3.2万多条购买记录。在清洗数据以剔除无效订单并根据收货地址识别客户后，研究人员应用了这种新的评分系统来评估每一位买家。

在对客户进行评分后，研究人员使用了一种聚类工具对他们进行分组。想象一下，不是单纯按颜色或大小来分类一堆混合在一起的石头，而是寻找那些具有相似重量和纹理的石头自然沉淀在一起的自然集群。计算机测试了从两个到八个不同的分组数量，并选择了能创造出最清晰、最独特类别的排列方式。结果呈现了一张由四种不同类型的购物者组成的地图。第一组占客户总数的约27%，是低价值购物者：他们近期没有购买行为，购买频率低，且消费金额极少。第二组占近23%，是那些过去消费金额较高且购买频繁，但近期变得沉默的顾客；这些是商家需要重新赢回的购物者。第三组占27%，是近期购买的顾客，他们仍在探索这家店铺，但尚未投入高额消费或频繁访问。最后，第四组占总人数的约22.5%，是高价值客户：他们近期有购买行为，购买频繁，且消费金额最高。

当研究人员将这种新方法与传统的客户评分方式进行对比时，差异显而易见。传统方法通常依赖于专家决定的固定权重，往往会将最有价值的购物者归入极小的一部分，仅识别出0.8%的极高价值人群。相比之下，这种让数据决定权重的新方法识别出了一个更大且更符合现实的高价值客户群体，这与广为人知的商业观察相吻合，即一小部分客户产生了大部分的利润。新模型显示，各组之间的差异更加显著，这意味着商家现在可以更清晰地看到不同类型的客户之间的区别。这表明，通过让数据决定近期性、频率和消费额的权重，在线企业可以创建更准确的购物者画像。研究结论指出，这种方法提供了一种更好的客户细分方式，使商家能够根据对客户真实身份的更清晰理解，量身定制策略，以保持优秀顾客的满意度，并温和地鼓励其他顾客回归。